ECAPA-TDNN vs TitaNet: comparación de modelos de biometría de voz

Tiempo de lectura: 7 minutos

Si estás evaluando o implementando biometría de voz, probablemente te encontraste con estos dos nombres: ECAPA-TDNN y TitaNet. Son los modelos dominantes en la industria, y entender sus diferencias te ayuda a elegir el correcto para tu caso de uso.

---

Overview rápido

Aspecto	ECAPA-TDNN	TitaNet
Desarrollador	SpeechBrain (2020)	NVIDIA (2022)
EER (VoxCeleb)	0.87%	0.68% (TitaNet-L)
Parámetros	~22M	6M-25M (según variante)
Disponibilidad	SpeechBrain, NeMo	NVIDIA NeMo
Licencia	Open source	Open source
Madurez	Muy alta	Alta
Adopción industria	~60%	~30%

---

ECAPA-TDNN: El estándar de la industria

ECAPA-TDNN (Emphasized Channel Attention, Propagation and Aggregation - Time Delay Neural Network) fue desarrollado por los investigadores de SpeechBrain y publicado en 2020.

Arquitectura

ECAPA-TDNN combina varias innovaciones:

1. SE-Res2Net blocks: Squeeze-and-Excitation combinado con Res2Net para capturar información multi-escala
2. Channel attention: Atención a nivel de canal para enfocarse en características discriminativas
3. Aggregation: Combina información de múltiples capas
4. Statistics pooling: Captura media y desviación estándar temporal

Fortalezas

• Madurez: Años de uso en producción, comportamiento bien entendido
• Robustez: Muy estable en diferentes condiciones
• Ecosystem: Implementaciones en múltiples frameworks
• Documentación: Extensa documentación y papers
• Community: Gran comunidad de usuarios

Debilidades

• Precisión: Ligeramente inferior a modelos más recientes
• Innovación: Arquitectura de 2020, no incorpora avances recientes
• Tamaño fijo: 22M parámetros, sin variantes más pequeñas oficiales

---

TitaNet: La nueva generación

TitaNet fue desarrollado por NVIDIA y publicado en 2022. Es una familia de modelos optimizados para speaker recognition.

Arquitectura

TitaNet usa una arquitectura diferente:

1. QuartzNet blocks: Bloques 1D convolucionales optimizados
2. Squeeze-and-Excitation: Similar a ECAPA pero con diferente aplicación
3. Attentive statistics pooling: Pooling con mecanismo de atención
4. Variantes de tamaño: Small, Medium, Large

Variantes

Variante	Parámetros	EER (VoxCeleb)
TitaNet-S	6M	1.2%
TitaNet-M	13M	0.87%
TitaNet-L	25M	0.68%

Fortalezas

• Precisión: State-of-the-art en benchmarks
• Flexibilidad: Variantes para diferentes constraints
• Edge deployment: TitaNet-S es viable para móviles
• Optimización: NVIDIA optimizó para inference eficiente
• Integración: Excelente integración con NeMo toolkit

Debilidades

• Madurez: Más nuevo, menos años en producción
• Ecosystem: Principalmente NVIDIA NeMo
• Vendor dependency: Aunque es open source, el ecosystem está centrado en NVIDIA

---

Comparación de métricas

Precisión (EER en VoxCeleb)

Modelo	EER-O	EER-E	EER-H
ECAPA-TDNN	0.87%	1.01%	1.80%
TitaNet-S	1.20%	1.35%	2.50%
TitaNet-M	0.87%	1.00%	1.78%
TitaNet-L	0.68%	0.78%	1.45%

EER-O: Original, EER-E: Extended, EER-H: Hard (más desafiante)

Takeaway: TitaNet-L es más preciso, TitaNet-M es equivalente a ECAPA-TDNN, TitaNet-S sacrifica precisión por tamaño.

Latencia (inference)

Medido en GPU NVIDIA T4:

Modelo	Latencia (audio 3s)
ECAPA-TDNN	~100ms
TitaNet-S	~40ms
TitaNet-M	~70ms
TitaNet-L	~110ms

Takeaway: TitaNet-S es significativamente más rápido, útil para high-throughput o edge.

Tamaño del modelo

Modelo	Parámetros	Tamaño en disco
ECAPA-TDNN	22M	~85MB
TitaNet-S	6M	~25MB
TitaNet-M	13M	~50MB
TitaNet-L	25M	~95MB

Takeaway: TitaNet-S es viable para deployment on-device.

---

¿Cuál elegir?

Elegí ECAPA-TDNN si:

1. Preferís madurez sobre bleeding-edge: ECAPA tiene años de uso en producción
2. Usás frameworks diversos: Implementaciones en PyTorch, TensorFlow, SpeechBrain, etc.
3. Necesitás comportamiento predecible: Muy documentado y estudiado
4. Tu equipo ya lo conoce: Curva de aprendizaje menor si ya tenés experiencia

Elegí TitaNet-L si:

1. Necesitás máxima precisión: State-of-the-art en benchmarks
2. Usás NVIDIA NeMo: Integración nativa y optimizada
3. Tenés GPUs NVIDIA: Mejor optimización
4. El tamaño del modelo no es constraint: ~25M parámetros

Elegí TitaNet-S si:

1. Deployment on-device/edge: 6M parámetros es viable para móviles
2. Necesitás muy alta throughput: 2.5x más rápido que ECAPA
3. La precisión puede ser ligeramente menor: 1.2% EER vs 0.87%
4. Recursos computacionales limitados

Elegí TitaNet-M si:

1. Querés balance: Precisión similar a ECAPA, más rápido
2. Usás NVIDIA ecosystem: Mejor integración
3. Querés modernidad sin sacrificar estabilidad

---

Más allá de ECAPA y TitaNet

Estos no son los únicos modelos. Otros relevantes:

WavLM + ECAPA (research)

Combina el foundation model WavLM con un head ECAPA. Alcanza EER de ~0.4% pero requiere modelo foundation de ~300M parámetros.

ResNet-based (WeSpeaker)

Modelos basados en ResNet que alcanzan precisión comparable. Alternativa si preferís arquitecturas CNN tradicionales.

x-vector (legacy)

El estándar anterior a ECAPA. EER de ~2%. Todavía usado en sistemas legacy pero no recomendado para nuevas implementaciones.

---

En Phonomica

Usamos un modelo propietario basado en arquitectura ECAPA con modificaciones específicas para nuestros casos de uso:

1. Optimizado para audio telefónico: Mejor performance con codecs 8kHz
2. Fine-tuned en voces LATAM: Mejor precisión para acentos regionales
3. Integrado con anti-spoofing: Arquitectura diseñada para funcionar junto con detección de deepfake

Esto nos permite alcanzar EER de ~0.7% en producción (no laboratorio), que es significativamente mejor que modelos base sin fine-tuning específico.

---

Recomendación final

Para la mayoría de implementaciones nuevas en 2024+:

Caso	Recomendación
Producción general	ECAPA-TDNN o TitaNet-M
Máxima precisión	TitaNet-L
Edge/mobile	TitaNet-S
Legacy/conservador	ECAPA-TDNN

Dicho esto, el modelo es solo una parte de la ecuación. El fine-tuning, la calidad del audio, el anti-spoofing, y la configuración del threshold tienen tanto o más impacto que la elección del modelo base.

---

¿Querés ver estos modelos en acción? Agendá una demo y te mostramos las diferencias en tu audio real.

---

Recursos relacionados

• Cómo funciona la biometría de voz: Guía completa
• EER, FAR, FRR: Métricas de biometría